Volumen 40, Nº 

2. Páginas 55-65
IDESIA (Chile) Junio, 2022

Estimación de la evapotranspiración con fines de riego

en tiempo real de un olivar a partir de imágenes
de un drone en zonas áridas, caso La Yarada, Tacna, Perú
Estimation of evapotranspiration for irrigation purposes in real time of an olive
grove from drone images in arid areas, case of La Yarada, Tacna, Peru
Rrody Machaca-Pillaca1, Edwin Pino-Vargas2, Lía Ramos-Fernández1*,
Javier Quille-Mamani2, Alfonso Torres-Rua3

RESUMEN

En el presente estudio, se usa técnicas de teledetección mediante un Remotely Piloted Aircraft System (RPAS) para la estimación de
la evapotranspiración del cultivo (ETc) en el olivo (Olea europaea L.) en la costa sur del Perú. El experimento tuvo como objetivo
estimar la evapotranspiración del cultivo de olivo mediante el modelo METRIC, a partir de imágenes multiespectrales y térmicas
tomadas desde un RPAS, previa calibración vicaria con diferentes tipos de cuerpos en campo y utilizando espectroradiómetro y
radiómetro portátil. Se obtuvo valores medios para ETc entre 2,86 y 2,94 mm d–1, 4,02 mm d–1 en invierno (floración) y 4,53 mm d–1
en verano (fructificación); y valores de ETrF, en el rango de 0,88 a 1,67 y 0,92 a 1,42 mm d–1 para invierno y verano respectivamente,
habiendo diferencias significativas por estación. Los valores por encima de 1,0, con mayor variabilidad y ligeramente más altos
en invierno, debido a un manejo de riego diario durante todo el año, para evitar tensiones abióticas debido a la salinidad del suelo.
Palabras clave: Olivo, evapotranspiración, espectroradiómetro, METRIC, imágenes multiespectral.

ABSTRACT

In the present study, remote sensing techniques are used using a Remotely Piloted Aircraft System (RPAS) to estimate crop
evapotranspiration (ETc) in olive trees (Olea europaea L.) on the southern coast of Peru. The objective of the experiment was to
estimate the evapotranspiration of the olive cultivation by means of the METRIC model, from multispectral and thermal images
taken from an RPAS, after vicarious calibration with different types of bodies in the field and using spectroradiometer and
portable radiometer. Mean values for ETc were obtained between 2.86 and 2.94 mm d–1, 4.02 mm d–1 in winter (flowering) and
4.53 mm d–1 in summer (fruiting); and ETrF values, in the range of 0.88 to 1.67 and 0.92 to 1.42 mm d–1 for winter and summer
respectively, with significant differences by season. Values above 1.0, with greater variability and slightly higher in winter, due
to daily irrigation management throughout the year, to avoid abiotic stresses due to soil salinity.
Keywords: Olive tree, evapotranspiration, spectroradiometer, METRIC, multispectral imaging.

Introducción Sur son los mayores productores y están ubicados

Los olivares son cultivos perennes de gran
importancia en el sector agrícola mundial; en el
sur de Europa representan el 49% de la superficie
cosechada de aceitunas; como primer país Grecia,
seguido por España e Italia (Paço et  al., 2019).
Mientras Argentina, Chile y Perú en América del
en latitudes subtropicales (<30ºS) donde las altas
temperaturas y pocas precipitaciones, afectan
las necesidades anuales de los recursos hídricos
(Torres et al., 2017).
El Perú presenta alrededor de 28  000  ha
de campos de olivos con una producción
aproximadamente de 133 700 t, de las cuales el

1 Departamento de Recursos Hídricos. Universidad Nacional Agraria La Molina. Lima, Perú.

2 Departamento de Ingeniería Civil. Universidad Nacional Jorge Basadre Grohmann. Tacna, Perú.
3 Utah State University. Utah, USA.
* Autor por correspondencia: liarf@lamolina.edu.pe

Fecha de Recepción: 30 de diciembre, 2021.

Fecha de Aceptación: 28 de febrero, 2022.
56 IDESIA (Chile) Volumen 40, Nº 2, Junio, 2022
75% se destina a aceitunas de mesa y el 25% restante
se destina a aceite de oliva (Izaguirre-Malásquez
et al., 2022). La producción de aceitunas de mesa ha
aumentado considerablemente durante la última
década (Torres et  al., 2017). Ante la escasez
hídrica en la región, es necesaria la evaluación
de la productividad, siendo importante para la
optimización en términos de cuantificación de las
necesidades de agua del cultivo. Esta necesidad
hídrica del cultivo depende de la evapotranspiración
(ET), la cual se ve influenciada por variables
climáticas como la temperatura del aire, velocidad
de viento, radiación solar y humedad relativa,
además de parámetros del cultivo como la altura
de la vegetación, estado fenológico del cultivo,
densidad de plantación, entre otras (Ramírez-
Cuesta et al., 2019).
Existen diversos métodos para estimar ET,
como los métodos directos basados en lisímetros,
Torre de flujo turbulento y sensores de humedad
de suelo, los que brindan información específica
y puntual de ET y no refleja la variabilidad
especial. Además, de su alto costo de instalación
(Niu et al., 2020; Ramírez-Cuesta et al., 2019).
Por lo tanto, los investigadores han desarrollado
métodos como la teledetección basados en el
balance de energía, específicamente, Surface
Energy Balance Algorithms for Land (SEBAL),
Mapping EvapoTranspiration at high Resolution with
Internalized Calibration (METRIC) y Two-Source
Energy Balance (TSEB) (Allen et al., 2011; Allen
et al., 2007; Bastiaanssen et al., 1998; Niu et al.,
2020). Sin embargo, la principal limitación de las
plataformas satelitales, son la falta de resolución
espacial y la obtención de los datos en tiempo real
y en la escala apropiada para el estudio a nivel
de parcelas o huertos, que es importante para el
su manejo específico; generando incertidumbre
en la cuantificación de ciertas variables en la
ecuación del balance energético (Ortega-Farías
et al., 2016). Por su lado, el uso de imágenes de alta
resolución obtenidas a partir de RPAS proporcionan
información espacial más detallada que puede
incorporarse al modelo de balance de energía
como el modelo METRIC. Según Ortega-Farías
et al. (2016) y Ramírez-Cuesta et al. (2019), las
imágenes de alta resolución permiten una mejor
clasificación de superficie (suelo y planta) en
campos heterogéneos, lo que se vería reflejado en
la mejora del desempeño del modelo METRIC.
Además, Nassar et al. (2021 y Torres-Rua et al.
(2020), enfatizan la importancia del tamaño de
los pixeles que pueden ocasionar algunos errores
en la estimación de la evapotranspiración; así
también, como los procesos de calibración de las
cámaras (multiespectrales y térmicas), la corrección
geométrica y radiométrica de los datos de la imagen.
De acuerdo a lo anteriormente indicado y la
necesidad de obtener información precisa sobre
la estimación de la ETc de cultivo para una mejor
gestión del riego de los olivares en una zona árida
como es la irrigación La Yarada en Tacna, Perú,
una región de escasos recursos hídricos donde
el agua juega un papel decisivo en el desarrollo
agrícola e impone la optimización del uso del agua
de riego, los principales objetivos de este estudio
fueron, (1) calibrar las bandas espectrales del sensor
multiespectral y térmico mediante metodología
vicaria; (2) estimar la evapotranspiración del
cultivo de olivo mediante el modelo METRIC,
a partir del uso de imágenes multiespectrales e
imágenes térmicas montadas en un RPAS. Esta
información será empleada como línea base
y registros orientativos para los agricultores,
productores e investigadores en la región con la
finalidad de optimizar el uso del agua y mejorar
la gestión del cultivo del Olivo.
Materiales y métodos
Zona de estudio
El área de estudio es un olivar de 3,19  ha,
ubicado en la irrigación La Yarada, provincia
y región Tacna, Perú (latitud: S18º10’55,37”;
longitud: O 70º31’52.17”; 50 m.s.n.m.) (Figura 1).
El clima es templado, desértico y con amplitud
térmica moderada; en los meses de junio a agosto
(invierno húmedo), donde abundan la neblinas o
camanchacas, y el resto del año es semicálido,
con temperaturas mínima y máxima de 13,6 ºC y
24,6 ºC, respectivamente (Pino et al., 2019). Las
precipitaciones son prácticamente nulas, típico
comportamiento de regiones desérticas, con
precipitación media acumulada anual de 33,4 mm,
por lo cual es considerada una región con escasas
lluvias y de clima seco, y forma parte de la cabecera
del desierto de Atacama (Izaguirre-Malasquez
et al., 2022; Pino, 2019; Pino et al., 2019).
El trabajo se llevó a cabo en dos campañas,
vuelos los días, 7 de agosto del 2019 (DOY 258)
en la estación de invierno y el 6 de marzo del
 Estimación de la evapotranspiración con fines de riego en tiempo real de un olivar a partir de imágenes de un drone… 57

Figura 1. Ubicación de la zona de estudio e imagen RGB del campo de olivo con imágenes de
cobertura empleadas en la calibración de la cámara térmica.

2020 (DOY 65) en la estación de verano, con
cultivo en fructificación y llenado de frutos. Se
obtuvo información de tres bloques del cultivo de
olivo con plantas con edad promedio de 22 años
(Figura 2b), variedad Gordal Sevillana que cubría
96% del campo y el resto con la variedad Ascolana
(arboles polinizadores). El campo contiene un total
580 árboles con un marco de plantación de 7 x
7 m que hacen una densidad de 200 árboles ha–1.
En la Figura  2a, se visualiza la distribución de
las variedades de olivo Sevillana y Ascolana. Los
vuelos se realizaron en las etapas de crecimiento de
brotes y desarrollo de fruto, según la escala BBCH
(Biologische Bundesanstalt, Bundessortenamt,
Chemische Industrie) (Sanz-Cortés et al., 2002).
Además, el sistema de riego por goteo está
constituido por laterales de Polietileno (PE) de
16 mm de diámetro, dos líneas de goteo por hilera
de árboles, con distancia entre goteros de 0,40 m,
caudal de 2 l h–1 y presión de trabajo de 0,5 – 1,0

Figura 2 (a) Ubicación y distribución espacial del cultivo de olivo según variedades y árboles
con estrés en el área del estudio. (b) Puntos de muestreo del LAI distribuido en tres bloques
del campo del olivar.
58 IDESIA (Chile) Volumen 40, Nº 2, Junio, 2022
bar. El agua de riego proviene del acuífero La Yarada,
Conductividad Eléctrica (CE) de 1,35 mmhos/cm–1,
pH de 7,13 y Relación de Adsorción de Sodio
(RAS) de 13,77, con clasificación C3-S3 “agua
con problemas de salinidad”. El suelo es franco
arenoso con densidad aparente de 1,65 g cm –3, la
capacidad de campo y punto de marchitez fue de
11,03 y 5,31 g g–1 respectivamente.
Recolección de información de campo
Las mediciones del índice de área foliar se
realizaron con un ceptometer portátil ACCUPAR
LP-80 (METER Group, Pullman, WA, USA), consta
de una matriz lineal de 80 sensores independientes
de radiación fotosintéticamente activa (PAR) y
mide en el rango de longitud de onda de 400 a
700 nm y en unidades (μmol m –2 s–1), su función
se basa en la cantidad de luz interceptada en
el dosel del cultivo. El dispositivo se mantuvo
aproximadamente a una altura de 2,5 m sobre el
suelo y por debajo del sensor PAR a 10 cm del
suelo, realizando mediciones en 27 árboles con
cuatro repeticiones en cada uno de ellas y en tres
áreas diferentes especificadas en la Figura 2. La
metodología empleada corresponde a lo especificado
por Kargar et al. (2019).
Equipos de teledetección
Sensor multiespectral
El sensor multiespectral a bordo del RPAS fue
una Parrot Sequoia (Parrot S.A., Paris, France) de
cuatro bandas multiespectrales: verde (550 nm),
rojo (660 nm), borde rojo (735 nm) e infrarrojo
cercano (790 nm), con obturador global de 1,2 MP
y un sensor de luz solar que ajusta automáticamente
las lecturas a la luz ambiental. Se realizó una
calibración vicaria de las imágenes multiespectrales
empleando un espectroradiómetro modelo TriOs -
Ramses (TriOS Mess- und Datentechnik GmbH,
Germany), sobre diferentes coberturas como: suelo
desnudo, grass, hojarasca, entre otros.
Sensor térmico
El sensor térmico corresponde a una cámara
FLIR Vue Pro R 640 fabricado por FLIR Systems
(Wilsonville, EE.UU.), posee un microbolómetro no
refrigerado que proporciona imágenes radiométricas
en formato JPEG y TIFF de 14 bits con una lente
de 13 mm que registra en una banda espectral de
7,5-13,5 µm mediciones de temperatura en un rango
de –20 ºC a +50 ºC y una sensibilidad térmica de
0,05 ºC. Los valores de temperatura se calibraron a
partir de un radiómetro infrarrojo, modelo Apogee
MI-210 (Apogee Instruments, MI-210, Utah, EE.UU.),
el registro de datos de coberturas que realizaron
con marco de PVC de 1 x 1m.
Adquisición y preprocesamiento de imágenes.
Se utilizó un RPAS cuadricóptero, modelo
DJI Matrice 210 (DJI, Shenzhen, China), equipado
con tres sensores, cámara RGB, Zenmuse X4S
(DJI, Shenzhen, China), multiespectral y térmica.
El plan de vuelo para el RPAS se programó con
la aplicación DJI GS Pro, a una velocidad de
6,3 m/s–1, una altura de 85 m sobre el nivel del
suelo, un traslape frontal de 85% y lateral de 80%.
Se obtuvieron orthomosaicos multiespectrales
y térmicos con una resolución espacial 9,2  cm
y 11,8  cm, respectivamente. Para minimizar
el ruido de sombras del dosel de la planta, las
imágenes fueron capturadas entre las 11:00 a.m.
a las 12:00 pm en condiciones de cielo despejado.
El preprocesamiento se realizó con el software
Pix4Dmapper Pro (Pix4D S.A., Prilly, Switzerland)
para la construcción de los orthomosaicos y modelos
digitales de superficie (MDS). Para la calibración
geométrica se requirió de ocho puntos de control
distribuidos en el campo experimental, corrigiendo
las imágenes RGB, multiespectrales y térmicas;
también se realizó calibración radiométrica con
la Sequoia diana de calibración.
Posteriormente, se empleó el Software ArcGIS,
para homogenizar el tamaño de los pixeles a
12 cm mediante el remuestro de los orthomosaicos
multiespectrales y térmicos. Además, se procedió a
realizar una clasificación supervisada de las imágenes
para obtener la máscara de vegetación para cada
orthomosaico, separando el suelo y la sombra. A
continuación, se estimó el Índice de Vegetación de
Diferencia Normalizada (NDVI) empleando las
bandas espectrales RED y NIR. según la ecuación (1)
NIR − RED
NDVI = (1)
NIR + RED
El Índice de Vegetación Ajustado al Suelo
(SAVI), se empleó con el objetivo de minimizar
 Estimación de la evapotranspiración con fines de riego en tiempo real de un olivar a partir de imágenes de un drone…
las alteraciones presentadas en los valores de
NDVI, en zonas de escasa vegetación (Huete,
1988) mediante la ecuación (2).
SAVI =
(1+ L ) × ( NIR − RED)
( L + NIR + RED)
Donde: L es una constante que varía entre 0
(zonas con alta densidad de vegetación) y 1 (zonas
con densidad escasa), en el presente estudio se
asumió un L de 0,5, valor que corresponde a un
olivar intensivo (200 árboles ha–1).
El Índice de Área Foliar (LAI) es la relación
adimensional entre el área foliar total de la superficie
por unidad de área del suelo; es un indicador de
biomasa y la resistencia del dosel al flujo de vapor
y se calcula utilizando la ecuación (3).
⎛ 0,69 − SAVI ⎞
In ⎜ ⎟
⎝ 0,59 ⎠
LAI =
0,91
Donde: SAVI, es calculado en la ecuación (2) y
las constantes 0,69, 0,59 y 0,91 son valores tomados
de los estudios realizados por Allen et al. (2011).
Modelo METRIC
Seg ún A llen et  al . (20 07), Mapping
EvapoTranspiration at high Resolution with
I nt er na l i ze d Ca l ibrat ion ( M ET R IC), es
originalmente un modelo basado en imágenes de
satélite que estima la ET mediante la aplicación
de balance de energía superficial. Calcula ET
como un residuo de la ecuación de balance energía
superficial mediante el flujo de calor latente (LE)
de la ecuación (4).
LE = R n − G − H
Donde, R n es la radiación neta (W  m–2); G
es el flujo de calor del suelo (W m−2); y H es el
flujo de calor sensible (W m−2) (Allen et al., 2011;
Allen et al., 2007). La radiación neta se calculó
a partir del balance de radiación de la superficie
terrestre, ecuación (5).
R n = (1− α ) × R s ↓+R L ↓−R L ↑− (1− εo ) × R L ↓(5)
Dónde 𝑹𝑺↓ es la radiación de onda corta
entrante (W m – 2); es el albedo superficial
(Ramírez-Cuesta et al., 2019; Tsouni et al., 2008);
𝑹𝑳↓ es la radiación de onda larga entrante (W m–2)
59
y 𝑹𝑳↑ es la radiación de onda larga saliente (W m–2),
respectivamente y o es la emisividad térmica
de la superficie (adimensional). Los valores de
𝑹𝑺↓, 𝑹𝑳↑, 𝑹𝑳↑ se obtiene según lo indicado por
Bastiaanssen et al. (1998).
(2)
G representa el calor conducido al suelo y se
calcula multiplicando el valor 𝐺/𝑅𝑛 por 𝑅𝑛, y se
determina usando una ecuación empírica que se
aplica en METRIC, la que se basa en las siguientes
ecuaciones (6a y 6b).
G / R n = 0,05 + 0,18e−0,521xLAI ( LAI ≥ 0,5) (6a)
1,8x ( Ts − 273,15 )
G / Rn = + 0,084 ( LAI < 0,5 ) (6b)
Rn
Donde 𝑇𝑠 es la temperatura de la superficie
(K) y LAI (adimensional) es el índice de área foliar
(Allen et  al., 2011), dependiente del Índice de
(3)
Vegetación Ajustado del Suelo (SAVI) y calculado
a partir de la banda roja y el infrarrojo cercano
(Huete, 1988).
El flujo de calor sensible (H) es la tasa de
pérdida de calor por el aire a través de la convección
y conducción, se calcula a partir de la rugosidad de
la superficie, velocidad del viento y la diferencia
de temperatura de la superficie y el aire, mediante
la ecuación (7) (Acharya y Sharma, 2021).
dT
H = ρair xCp x (7)
rah
Donde 𝜌𝑎𝑖𝑟 es la densidad del aire (kg m–3), 𝐶𝑃
es el calor específico del aire a presión constante (J
kg–1 K–1), 𝑑𝑇 (K) es la diferencia de la temperatura
(T1 – T2) entre dos alturas (z1 y z2) de forma vertical
a la superficie y 𝑟𝑎ℎ es la resistencia aerodinámica
(s m–1) correspondiente a 𝑑𝑇 (Tasumi, 2019). Los
(4) parámetro 𝑟𝑎ℎ y dt, se calcularon según lo indicado
por Allen et al. (2011).
Procedimiento de la selección del pixel frío y
caliente
En la selección del pixel frío y caliente se
definieron condiciones límites para el equilibrio
energético. Los pixeles están en función de la
homogeneidad entre sus píxeles vecinos y la
distancia a la estación meteorológica. La selección
del píxel frío, se identificó específicamente en
campos agrícolas y dentro de un área de interés,
con valores de temperatura en el rango ±0,2  K
60 IDESIA (Chile) Volumen 40, Nº 2, Junio, 2022
del promedio del 20% más frio de la temperatura
superficial, extraído del área del 5% de los valores
más altos de NDVI. Finalmente, se seleccionó el
1% (del 5% de los valores más altos de NDVI),
siendo el pixel candidato final el promedio del 1%.
Por lo contrario, la selección del pixel caliente, se
identificó preferentemente en suelos desnudos sin
vegetación. Los pixeles calientes se encontraban
en el rango del ± 0,2 K del promedio del 20% más
caliente de la temperatura superficial, extraído
del área del 10% de los valores más bajos de
NDVI. La selección de los pixeles finales se da en
función de la proximidad del valor promediado y la
homogeneidad entre sus pixeles vecinos (Bhattarai
et al., 2017; Morton et al., 2013).
ET instantánea (ETins), Fracción de ET de
referencia (EToF) y Evapotranspiración a las
24 h (ET24).
El flujo de calor latente representa el calor
de la superficie instantánea, debido a la ETc en el
momento de captura de las imágenes; se calcula
mediante la ecuación (8). Para la estimación de la ET
instantánea (ETinst) se aplica la siguiente ecuación:
3600xLE
ETinst =
λ
Donde ETinst es la ET instantánea (mm h –1),
LE es el flujo de calor latente (W m –2) y 𝜆 es el
calor latente de vaporización (J kg–1) o el calor
absorbido, cuando un kilogramo de agua se evapora
(J kg–1) y se determina en función a la siguiente
ecuación (Allen et al., 2007):
λ = ⎡⎣2,501− 0,00236 ( Ts − 27,15 )⎤⎦ x10 6
La fracción de ET de referencia (𝐸𝑇𝑜) se
define como la relación entre la ET instantánea
(𝐸𝑇𝑖𝑛𝑠𝑡) para cada pixel y 𝐸𝑇𝑜 estimado mediante
información meteorológica recopilada.
ET
ETo F = inst
ETo
Donde, 𝐸𝑇𝑜 es la ET de referencia para la
alfalfa de 0,5 m de altura para el momento de la
captura de la imagen. La 𝐸𝑇𝑜 fue calculada por el
método de Penman Monteith (mm h–1) con datos
de la estación meteorológica automática.
El modelo METRIC calcula la 𝐸𝑇24 en función
a la multiplicación 𝐸𝑇𝑜𝐹 y 𝐸𝑇𝑜−24. Los valores de
𝐸𝑇24 diarios son más utilizados que la información
brindada por ETinst. (Allen et al., 2007).
ET24 = ETo F × ETo−24 (11)
Resultados y discusiones
Calibración vicaria de las imágenes
multiespectrales
La regresión lineal de las bandas de la
cámara multiespectral y los datos medidos por
el espectroradiómetro (Tabla  1), mostraron una
correlación de Pearson r2 > 0,82 para las cuatro
bandas (rojo, borde rojo, verde e infrarrojo cercano)
y un RMSE promedio de 7%. Según Cubero-Castan
et al. (2018), manifiesta que lo cuerpos con valores
de reflectancias superiores al 75%, representan una
sobreestimación promedio por banda de un 8%,
sin embargo, materiales naturales como la hoja
de cultivo, no exhiben una reflectancia tan alta.
Calibración de imágenes térmicas
Los valores de la temperatura absoluta de
(8) la superficie, proporcionada por las imágenes
radiométricas en formato RJPG de la cámara
FLIR Vue Pro R 640, se calibraron mediante una
correlación lineal entre los valores registrados a
partir de un radiómetro infrarrojo modelo Apogee
MI-210, sobre cuerpos conocidos como suelo
desnudo, cobertura de hojarasca, cobertura de
grass y agua descongelada, para las condiciones
ambientales de la zona de estudio. Se obtuvo una
(9) ecuación de corrección (Yradiómetro = 1,10Xcámara
térmica –10,84) con un coeficiente de Pearson (r )
2
de 0,97 y el cuadrado medio del error (RMSE) de
Tabla 1. Ecuaciones de regresión lineal y
coeficiente de determinación r2 para la calibración de
(10) bandas rojo, borde rojo e infrarrojo cercano.
Ecuación r2
Yrojo = 0,67Xrojo 0,95
Yborde rojo = 0,82Xborde rojo 0,86
Yverde = 0,69Xverde 0,94
Yinfrarrojo cercano = 0,75Xinfrarrojo cercano 0,82
X = Banda original, Y= Banda corregida.
 Estimación de la evapotranspiración con fines de riego en tiempo real de un olivar a partir de imágenes de un drone… 61

7 ºC, indicando una buena correlación entre las
temperaturas y las coberturas (Figura 3).
La selección de los píxeles extremos caliente
y frío, para las fechas de trabajo de campo 2018
y 2019 (Tabla  2), muestra que los pixeles fríos
corresponden a una temperatura superficial de
(Ts) mínima de 284,4 y 294,4 K, valores máximos
de NDVI en 0,89 y 0,95, LAI de 1,46 y 1,57 y el
albedo superficial entre 0,20 y 0,18. El pixel caliente
corresponde a temperaturas superficiales (Ts) de
303,3 y 325,8 K. valores mínimos de NDVI de 0,31
y 0,02, un LAI de 0,10 y 0,12. Las características
anteriormente señaladas corroboran lo expuesto
por Allen et al. (2011) y Morton et al. (2013), los
que afirman que el proceso de verificación de los
pixeles frio y caliente se realiza en áreas separas,
es decir que el pixel frío es en coberturas vegetales
en campos agrícolas, mientras para el pixel caliente
es en suelos desnudos sin vegetación.
En la Figura 4, se presenta la variación espacial
de los componentes de balance de energía Rn, G, H
y LE del 07 de agosto 2019 (invierno) y 06 de marzo
2020 (verano) con los valores que corresponden
a los pixeles de vegetación que varían de 543,61
a 640 W m–2 y 640 a 741 W m–2 para Rn; de 19
a 60 W m–2 y 10 a 70 W m–2 para G; de 53 a 150
W m–2 y 150 a 238 W m–2 para H; de 455,14 a
584,44 W m–2 y 342,86 a 600 W m–2 para LE. Según
Allen et al. (2011); Häusler et al. (2018) y Nassar
et al. (2021), la Rn puede encontrarse entre 100 a
800 W m–2 dependiendo de la variación diurna,
alcanzando un valor mayor al medio día. Por otro
lado, los valores para los demás componentes de
balance de energía se muestran para G de 0 a

Figura 3. Relación entre las temperaturas registradas por un radiómetro y una cámara
térmica montada en un UAV en diferentes cuerpos (agua descongelada, grass, hojarasca
y suelo desnudo.

Tabla 2. Variables de selección del píxel frío y caliente para los vuelos RPAS.

Coordenadas (WGS84, UTM)

Píxel
X Y NDVI Albedo Ts(K) a b
07/08/2019 (invierno)

Frío 338130,85 7988880,01 0,89 0,20 284,4 0,12 –30,34

Caliente 338033,91 7989149,97 0,31 0,16 303,3
06/03/2020 (verano)

Frío 338009,13 7989158,05 0,95 0,18 294,4 0,11 –30,37

Caliente 338107,22 7988910,43 0,02 0,21 325,8
62 IDESIA (Chile) Volumen 40, Nº 2, Junio, 2022

Figura 4 Distribución espacial de los componentes de energía Rn(a), G(b), H(c) y LE (d) con la
variedad de olivo Sevillana y Ascolana y condición de estrés.

180 W m–2 (Nassar et al., 2021); H un valor de
50 a 400 W m–2 (Acharya y Sharma, 2021) y LE
de 0 a 650 W m–2 (Nassar et al., 2021; Ortega-
Farías et  al., 2016). Sin embargo Häusler et  al.
(2018) y Nassar et al. (2021), dan a conocer que
los componentes de balance de energía alcanzan
sus mayores valores al medio día, además, que
los valores pueden variar de forma horaria en
los meses de las estaciones del año (verano,
primavera, otoño e invierno) y obteniendo mayores
valores en la estación de verano para los cultivos,
especialmente en el Olivo. En la Tabla 3, se muestra
el promedio, la desviación estándar y la variación
para la estación de invierno 2019 y verano 2020
del cultivo del Olivo con un incremento de 18, 56 y
71% para Rn, G y H respectivamente, no obstante.
se observa una disminución del 8% para LE en
verano con respecto al invierno.
Evapotranspiración del cultivo diario (ETc)
En la Figura 5, se aprecia la variación espacial de
la ET diaria, se obtuvo valores ( , S) para invierno
y verano, según condición de estrés y sin estrés
(Tabla 4). De la estimación de la ETc del modelo
METRIC en arboles sin estrés y con estrés se obtuvo
valores x̄ de 2,94 y 2,87 mm d–1, para la temporada
de invierno, encontrándose en la etapa de floración

Tabla 3 Valores ( , S) de los componentes del balance de energía

(Rn, G, H y LE), según variedades y condición de estrés.

Invierno Verano
Detalle sin estrés sin estrés
con estrés con estrés
Sevillana Ascolana Sevillana Ascolana

Rn (Wm–2) 566,1  ±  12,8 560,8 ± 11,0 559,8 ± 17,1 692,6 ± 14,5 686,1 ± 11,0 676,7 ± 15,8

G (Wm–2) 30,8 ± 4,2 31,7 ± 4,9 39,1 ± 7,0 70,4 ± 9,2 66,0 ± 10,5 92,2 ± 8,1
H (Wm–2) 58,7 ± 2,5 59,2 ± 2,7 58,7 ± 1,9 203,8 ± 8,2 207,3 ± 7,8 211,8 ± 9,5
LE (Wm–2) 476,6 ± 17,1 468,9 ± 16,4 466,8 ± 21,1 440,0 ± 21,7 433,7 ± 25,3 396,9 ± 25,8
 Estimación de la evapotranspiración con fines de riego en tiempo real de un olivar a partir de imágenes de un drone… 63

En la Figura 5 se visualiza el comportamiento

Figura  5. Distribución espacial de la evapotranspiración de
cultivo (ETc) invierno y verano, mediante el modelo METRIC.
y 4,53 y 4,02 mm d–1, para verano en la etapa de
fructificación y llenado de fruto. Los valores de
ETrF en olivo sin estrés y con estrés fueron de 1,23
y 1,20 mm d–1, en invierno, y de 1,13 y 1,0 mm d–1,
en verano. Los valores de ETc estimados para verano
son mayores en 30% con respecto a los de invierno.
Además, los valores de ETrF ligeramente más altos
en invierno, encontrándose valores de ETrF por
encima de 1,0 debido al riego constante, para evitar
las tensiones abióticas generadas por las sales del
suelo y del agua de riego.
de la evapotranspiración de referencia (ETo) desde
invierno 2019 (DOY 258) hasta el verano 2020 (DOY
65) con valores máximos y mínimos en verano
e invierno respectivamente estimados a partir de
diferentes métodos indirectos basados en componentes
del balance de energía y datos climáticos.
En la Tabla 5, se presentan diferentes valores
de ETc y ETrF estimadas a partir de diversos
métodos y diferentes condiciones climáticas, suelo
y de manejo agronómico. Al respecto, encuentran
que al migrar de un sistema de secano a riego por
goteo los valores de ET estimados fueron de 0,5
a 1 mm d–1 debido a una mayor evaporación del
suelo por mayor frecuencia de riego.
Los valores del ETrF están en el rango de
0,88 a 1,67 en invierno y 0,92 a 1,42 en verano.
Los valores obtenidos entre la relación de la ETc
por el modelo METRIC y la ETo obtenida por
métodos indirectos, poseen mayor variabilidad
y son más altos en invierno debido a un aumento
de la evaporación del suelo producida por la alta
humedad del aire captado de las camanchacas
(Tabla 5). Al respecto Paço et al. (2019) indican
que en invierno y otoño se presentan valores de
ETrF > 1, debido a un aumento de la evaporación
del suelo por la precipitación. Asimismo encuentran
valores de ETrF > 1,5 en invierno que atribuyen a

Tabla 4. Valores ( , S) de la ETc y ETrF según condición de estrés.

Invierno Verano
Detalle
sin estrés con estrés sin estrés con estrés

ETc (mm d–1) 2,94 ± 0,07 2,87 ± 0,13 4,53 ± 0,27 4,02 ± 0,33

ETrF 1,23 ± 0,27 1,20 ± 0,26 1,13 ± 0,14 1,00 ± 0,12

Tabla 5. Valores de ETc y ETrF.

Clasificación Tamaño
Sistema Método para ETc Zona de
climática de pixel ETrF Referencia
de riego estimar ETc (mm/d–1) estudio
Köppen-Geiger (m)
Mediterráneo Secano 70% Ramírez-Cuesta et al.
5x5 METRIC 1,74-5,27 0,31-0,81 España
típico (Csa) y goteo 30% (2019)
Mediterráneo
Goteo 30 x 30 METRIC 0,90-6,00 0,40-1,20 Portugal Paço et al. (2014)
típico (Csa)
Mediterráneo
Modelo de Fuentes-Peñailillo
con influencia Goteo 30 x 30 1,34-3,69 – Chile
Wallace (SW) et al. (2018)
oceánica (Csb)
64 IDESIA (Chile) Volumen 40, Nº 2, Junio, 2022
una mayor humedad por causa de precipitaciones
y los valores disminuyen hacia verano.
Conclusiones
Este estudio evalúa las imágenes multiespectrales
y térmicas de alta resolución espacial mediante la
calibración vicaria de los parámetros del modelo de
balance de energía para la estimación del modelo
METRIC en un área heterogénea de campos de
olivos, con la finalidad de optimizar el uso del agua
y mejorar la gestión del riego. Las calibraciones
de las imágenes multiespectrales y térmicas son
importantes para la implementación del modelo
METRIC. Por lo tanto, la metodología de calibración
vicaria empleada con diferentes coberturas arrojó
un RSME de 7% para las imágenes multiespectrales
y 7  ºC para las imágenes térmicas, mostrando
resultados confiables para la estimación de los
componentes del modelo METRIC.
La estimación del 𝑎, LAI, NDVI y Ts fueron
concordantes, habiéndose realizado la calibración
de las bandas espectrales y térmicas, previas a la
estimación de la ETc. Los componentes de balance
de energía Rn, G, H y LE, mostraron valores
aceptables dentro de los rangos establecidos,
usando métodos directos e indirectos para el área
de estudio en las diferentes estaciones del año.
Literatura Citada
Acharya, B.; Sharma, V.
2021. Comparison of satellite driven surface energy balance
models in estimating crop evapotranspiration in semi-arid
to arid inter-mountain region. Remote Sensing, 13(9).
DOI: 10.3390/rs13091822
Allen, R.G.; Tasumi, M.; Morse, A.; Trezza, R.; Wright, J.L.;
Bastiaanssen, W.; Kramber, W.; Lorite, I.; Robison, C.W.
2007. Satellite-Based Energy Balance for Mapping
Evapotranspiration with Internalized Calibration (METRIC-
Applications. Journal of Irrigation and Drainage Engineering,
133(4): 395-406.
Allen, R., Trezza, R.; Hendrickx, J.M.H.; Bastiaanssen, W.;
Kjaersgaard, J.
2011. Satellite-based ET estimation in agriculture using SEBAL
and METRIC. Hydrological Processes, 25(26): 4011-4027.
Bastiaanssen, W.G.M.; Menenti, M.; Feddes, R.A.; Holtslag, A.A.M.
1998. A remote sensing surface energy balance algorithm
for land (SEBAL) 1. Formulation. Journal of Hydrology,
212-213 (1-16), 198-212.
Bhattarai, N.; Quackenbush, L.J., Im, J.; Shaw, S.B.
2017. A new optimized algorithm for automating endmember
pixel selection in the SEBAL and METRIC models. Remote
Sensing of Environment, 196: 178-192.
Se obtuvo la ETc del cultivo del Olivo
en invierno 2019 y verano 2020, mediante el
modelo METRIC, los valores medios para ETc
varían entre 2,86 y 2,94 mm d –1, 4,02 mm d –1
en invierno (floración) y 4,53 mm d –1 en verano
(fructificación); y valores de ETrF, en el rango de
0,88 a 1,67 y 0,92 a 1,42 mm d –1 para invierno y
verano respectivamente, registrándose diferencias
significativas de acuerdo a la estación del año.
Los resultados del modelo METRIC, muestran
una alternativa importante para la estimación de
la ETc, la información puede ser empleada para
la gestión de riego más eficiente e identificación
de árboles con estrés hídrico en los campos de
olivo.
Agradecimientos
Este trabajo fue financiado por fondos de
canon, sobre canon y regalías mineras, IGIN,
VIIN de la UNJBG en el marco del proyecto
de investigación “Uso de Vehículos Aéreos no
Tripulados para obtener la humedad del suelo en
el olivo con fines de programación de riego en
tiempo real en la Yarada Tacna Perú”.
Se agradece el apoyo de Utah State University
en el proceso de capacitación del personal peruano
afiliado a este proyecto.
Cubero-Castan, M.; Schneider-Zapp, K.; Bellomo, M.; Shi, D.;
Rehak, M.; Strechaand, C.
2018. Assessment of the radiometric accuracy in a targetless
workflow using pix4d software. 2018 9th Workshop on
Hyperspectral Image and Signal Processing: Evolution
in Remote Sensing (WHISPERS).
Fuentes-Peñailillo, F.; Ortega-Farías, S.; Acevedo-Opazo, C.;
Fonseca-Luengo, D.
2018. Implementation of a Two-Source Model for Estimating the
Spatial Variability of Olive Evapotranspiration Using Satellite
Images and Ground-Based Climate Data. Water, 10(3): 339.
Häusler, M.; Conceição, N.; Tezza, L.; Sánchez, J.M.; Campagnolo,
M.L.; Häusler, A.J.; Silva, J.M.N.; Warneke, T.; Heygster, G.;
Ferreira, M.I.
2018. Estimation and partitioning of actual daily evapo-
transpiration at an intensive olive grove using the STSEB
model based on remote sensing. Agricultural Water
Management, 201 (January): 188-198.
Huete, A.R.
1988. A Soil-Adjusted Vegetation Index (SAVI). Remote
Sensing of Environment, 25: 295-309.
Izaguirre-Malasquez, R.; Muñoz-Gonzales, L.; Cabel-Pozo,
J.; Raymundo, C.
2022. Inventory Optimization Model Applying the
FIFO Method and the PHVA Methodology to Improve
 Estimación de la evapotranspiración con fines de riego en tiempo real de un olivar a partir de imágenes de un drone…
the Stock Levels of Olive Products in SMEs of the
Agro-Industrial Sector in Peru. Human Interaction,
Emerging Technologies and Future Systems V. IHIET
2021. Lecture Notes in Networks and Systems, 39.
DOI: 10.1007/978-3-030-85540-6_93
Kargar, A.R.; MacKenzie, R.; Asner, G.P.; van Aardt, J.
2019. A density-based approach for leaf area index assessment
in a complex forest environment using a Terrestrial Laser
Scanner. Remote Sensing, 11(15). DOI: 10.3390/rs11151791
Morton, C.G.; Huntington, J.L.; Pohll, G.M.; Allen, R.G.;
Mcgwire, K.C.; Bassett, S.D.
2013. Assessing Calibration Uncertainty and Automation for
Estimating Evapotranspiration from Agricultural Areas
Using METRIC. Journal of the American Water Resources
Association, 49(3), 549-562.
Nassar, A.; Torres‐rua, A.; Kustas, W.; Alfieri, J.; Hipps, L.;
Prueger, J.; Nieto, H.; Alsina, M.M.; White, W.; McKee, L.;
Coopmans, C.; Sanchez, L.; Dokoozlian, N.
2021. Assessing daily evapotranspiration methodologies
from one‐time‐of‐day suas and ec information in the grapex
project. Remote Sensing, 13(15). DOI: 10.3390/rs13152887
Niu, H.; Hollenbeck, D.; Zhao, T.; Wang, D.; Chen, Y.
2020. Evapotranspiration estimation with small uavs in
precision agriculture. Sensors (Switzerland), 20(22): 1-28.
Ortega-Farías, S.; Ortega-Salazar, S.; Poblete, T.; Kilic, A.;
Allen, R.; Poblete-Echeverría, C.; Ahumada-Orellana, L.;
Zuñiga, M., Sepúlveda, D.
2016. Estimation of energy balance components over a drip-
irrigated olive orchard using thermal and multispectral
cameras placed on a helicopter-based unmanned aerial
vehicle (UAV). Remote Sensing, 8(8): 1-18.
Paço, T.A.; Paredes, P.; Pereira, L.S.; Silvestre, J.; Santos, F.L.
2019. Crop coefficients and transpiration of a super intensive
Arbequina olive orchard using the dual Kc approach and the
Kcb computation with the fraction of ground cover and height.
Water (Switzerland), 11(2). DOI: 10.3390/w11020383
Pino, E.
2019. El acuífero costero La Yarada, después de 100 años
de explotación como sustento de una agricultura en zonas
áridas: una revisión histórica. Idesia, 37(3): 39-45.
Pino V.E.; Montalván D.I.; Vera M.A.; Ramos F.L.
2019. La conductancia estomática y su relación con la
temperatura foliar y humedad del suelo en el cultivo del olivo
65
(Olea europaea L.), en periodo de maduración de frutos, en
zonas áridas. La Yarada, Tacna, Perú. Idesia, 37(4): 55-64.
Pino, E.; Ramos, L.; Avalos, O.; Tacora, P.; Chavarri, E.; Angulo,
O.; Ascencios, D.; Mejía, J.
2019. Factores que inciden en el agotamiento y la contaminación
por intrusión marina en el acuífero costero de La Yarada,
Tacna, Perú. Tecnología y Ciencias Del Agua, 10(5): 177-213.
Ramírez-Cuesta, J.M.; Allen, R.G.; Zarco-Tejada, P.J.; Kilic,
A.; Santos, C.; Lorite, I.J.
2019. Impact of the spatial resolution on the energy balance
components on an open-canopy olive orchard. International
Journal of Applied Earth Observation and Geoinformation,
74 (September 2018): 88-102.
Sanz-Cortés, F.; Martinez-Calvo, J.; Badenes, M.L.; Bleiholder,
H.; Hack, H.; Llacer, G.; Meier, U.
2002. Phenological growth stages of olive trees (Olea
europaea). Annals of Applied Biology, 140(2): 151-157.
Tasumi, M.
2019. Estimating evapotranspiration using METRIC model
and Landsat data for better understandings of regional
hydrology in the western Urmia Lake Basin. Agricultural
Water Management, 226 (October), 105805. DOI: 10.1016/j.
agwat.2019.105805
Torres-Rua, A.F.; Ticlavilca, A.M.; Aboutalebi, M.; Nieto,
H.; Alsina, M.M.; White, A.; Prueger, J.H.; Alfieri, J.G.;
Hipps, L.E.; McKee, L.G.; Kustas, W.P.; Coopmans, C.;
Dokoozlian, N.
2020. Estimation of evapotranspiration and energy fluxes
using a deep-learning-based high-resolution emissivity
model and the two-source energy balance model with
sUAS information. Proc. SPIE 11414, Autonomous Air and
Ground Sensing Systems for Agricultural Optimization
and Phenotyping V, 10.
Torres, M.; Pierantozzi, P.; Searles, P.; Cecilia Rousseaux,
M.; García-Inza, G.; Miserere, A.; Bodoira, R., Contreras,
C.; Maestri, D.
2017. Olive cultivation in the southern hemisphere: Flowering,
water requirements and oil quality responses to new crop
environments. Frontiers in Plant Science, 8 (October), 1-12.
Tsouni, A.; Kontoes, C.; Koutsoyiannis, D.; Elias, P.; Mamassis, N.
2008. Estimation of actual evapotranspiration by remote
sensing: Application in Thessaly plain, Greece. Sensors,
8(6): 3586-3600.